柔性直流換流站異常監控數據實時預警研究

王 林,姚發興,王 健,唐 力,桂輝陽

(中國南方電網有限責任公司超高壓輸電公司,貴州 興義 562499)

0 引言

柔性直流換流站是智慧化電力系統的重要組成部分之一,擔負著遠程輸電領域中直流轉換和交流轉換的關鍵作用[1]。柔性直流換流站位于遠程傳輸電源的兩端,傳輸端輸出的電能經站中的電源整流站后轉換為±800 kV或更高的直流電流[2]。相比于常規的換流站,柔性直流換流站的占地面積更大、輔助設備數量更多。在容量等級相同時,柔性直流換流站的運行維護投入更多,傳輸功率可達6 400 MW,更適用于大系統間的大規模功率傳輸。因此,柔性直流換流站在遠距離的電力傳輸中得到了廣泛的應用。相比于電力系統其他組成部分的監控數據,柔性直流換流站監控數據數量更多、類型更復雜,因此對于監控準確性的要求更高。實時預警柔性直流換流站異常監控數據,有利于柔性直流換流站的穩定運行。

張愛楓等[3]根據五維建筑信息模型(building information modeling-5 dimension,BIM-5D)技術,提出了1種特高壓換流工程的管控方法,以提升對高壓換流電的管控能力。該方法以BIM-5D為基礎,通過構建預警模型,對建設工期與費用控制的范圍進行設置,并運用應力值法對該范圍進行修正,從而獲得適用于特高壓換流站工程施工的管控方法。劉可真[4]等根據改進的關聯準則,建立了1種新的直流換流站的故障診斷模型。該模型通過對換流站原始特征的提取與挖掘,對事件順序記錄(sequence of event,SOE)集合進行分析。根據分析結果,該模型可以從大量的、多態的 SOE集合中發現相關的規則,從而幫助維護人員判斷在換流臺切換和故障時的SOE丟失狀況。

基于以上研究背景,本文針對柔性直流換流站的監控數據,設計1種異常監控數據實時預警方法,以避免換流站監控時出現異常情況。

1 異常數據實時預警方法設計

1.1 檢測監控數據中的異常數據

本文通過接收SOE數據,根據經驗規則,對柔性直流換流站異常監控數據流X進行描述,為異常監控數據的檢測提供數據基礎。

X={xi|i∈n}

(1)

式中:xi為異常數據流中的數據。

xi=(Bi,Xi)

(2)

式中:Bi為監控數據中第i個異常數據的標識;Xi為監控數據中第i個異常數據的特征值。

當監控數據中的某個數據出現異常時,更新相對應的統計量為:

E(xi)+b=Xi

(3)

式中:b為柔性直流換流站異常監控數據的標識空間;E(xi)為監控數據中異常數據標識為xi元素的統計量,個。

本文利用經驗規則,對異常數據的相似系數sij進行求解[5],以構建異常監控數據的相似矩陣。

sij=1-αβ(ai,aj)

(4)

式中:α為異常數據參數;β(ai,aj)為任意異常數據ai與aj之間的關聯性。

在此基礎上,本文對監控數據中的異常數據進行檢測。其中,柔性直流換流站監控數據中信息流的單元是換流站監視系統的網際協議(internet protocol,IP)包[6]。單元識別的特性表示柔性直流換流站裝置供給中的消息個數恒定,而每個單元Xi的總數值都是1。通過檢測到達換流站監控器同一個目標IP包的數量,可以發現柔性直流換流站監控過程中的異常行為。

在柔性直流換流站監控系統中,利用哈希值可以減少異常數據的產生[7]。其運算式如下。

(5)

式中:φi為柔性直流換流站監控系統中的任意單元;ξ為大于柔性直流換流站異常數據標識空間單元的數量,個;k為通用散列的級別。

如柔性直流換流站監控系統中的數據信息哈希函數出現異常問題,說明監控數據中存在異常。假設柔性直流換流站監控數據中異常數據共有f個,并根據動態模糊聚類結果將異常數據劃分成Y類,則監控數據中異常數據第y個指標屬于第Y類的異常檢測結果μyY為:

(6)

式中:xiY為第i個異常數據中的第Y類異常值。

本文首先利用經驗規則描述監控數據中異常數據信息流,通過構建異常數據的模糊相似矩陣判斷監控到的換流站狀況;然后結合通用散列函數消除換流站監控器中異常數據的碰撞,檢測出監控數據中的異常數據。

1.2 設定異常數據預警閾值

當檢測到柔性直流換流器監控數據存在異常時,本文通過設定異常數據預警閾值構建異常監控數據的實時預警模型。

通過計算監控數據的小波系數值,可以得到監控數據的尺度參數λi。通過尺度參數λi,可以判斷柔性直流換流站在監控過程中出現異常數據的概率[8]。

(7)

式中:ε*為異常監控數據的衡量系數;d為異常監控數據之間的間距;L為異常監控數據的區間長度。

本文根據柔性直流換流站在監控過程中異常數據出現的概率,計算第j維監控數據中異常數據屬性屬于第i′類別的聚合程度。

(8)

當第j維監控數據中的異常數據屬性與第i′類別完全聚合時,則利用小波變換對監控數據中的異常數據進行預處理[9]。

(9)

式中:φn為預處理前的小波系數;n′為異常數據對應的小波變換編號;?為異常監控數據中的基準值;μ為異常數據之間的標準偏差。

在智能電網的建設過程中使用的柔性直流換流站是1種較為精密的輸電裝置。在監控系統監測出異常數據時,為了確保柔性直流換流站的正常運轉,必須從異常數據中心提取關鍵變量信息,即:

(10)

式中:ζp為異常數據的樣本;l0為異常數據在監控數據中的矩陣分布;ζu為異常數據檢測的線性曲線關系;τl為異常數據運行的軌跡向量。

異常監控數據的關聯變量信息可以體現異常數據的具體情況,反映柔性直流換流站的異常程度。通過獲得監控數據的標準閾值,并將其與異常數據對比,可以判斷是否發出預警信號。標準閾值的計算式如下。

(11)

式中:γ為監控數據中異常數據關鍵變量信息的標準差;m為柔性直流換流站監控數據的總量,GB。

本文引入尺度參數計算柔性直流換流站在監控過程中出現異常的概率,利用小波變換預處理異常數據,通過提取出異常數據的關鍵變量信息,設定異常數據預警閾值。

1.3 構建異常監控數據實時預警模型

本文基于設定的異常數據預警閾值,構建異常監控數據實時預警模型。監控數據的異常程度直接反映了柔性直流換流站運行的情況。通過計算異常數據的特征閾值,可以判斷異常監控數據的異常程度。

(12)

式中:Ψf為異常數據的初始函數;f′>kr為監控數據f′在kr范圍內的異常程度。

為了獲得異常監控數據的空間分布,本文基于數據空間概率密度函數的計算方法對異常數據的聚類空間進行求解:

(13)

式中:ηA為異常數據的空間概率密度函數;h為異常數據的特征集;u為異常數據的空間分布權重系數。

當對異常監控數據進行聚類分析時,可根據異常數據樣本之間閾值ds的距離確定異常數據的節點信息:

(14)

在對柔性直流變流器進行監控的過程中,應確保所采集到監控資料的實時性。監控數據的傳遞和換流站作業的環境等因素,會造成監控數據結果異常。因此,本文利用式(15)對異常數據進行重構:

x(c)=y(c)+f(c)

(15)

式中:y(c)為異常監控數據的異常系數;f(c)為異常數據的特征分量。

如果監控數據A的異常數據為ag,則利用異常數據特征的重構結果,可以得到異常監控數據預警函數:

(16)

式中:kj′為監控數據中的異常數據節點,j′為異常數據特征量;bj′為聚類中心;m′為異常數據預警函數的數量。

本文利用異常數據預警函數,構建監控數據中異常數據實時預警模型。

(17)

綜上所述,本文首先通過計算異常數據的特征閾值,確定異常數據的聚類空間;然后基于異常數據特征的重構,得到異常數據預警函數;最后構建異常監控數據實時預警模型。

2 試驗與結果分析

2.1 試驗數據處理

測試樣本數據的特征值如圖1所示。

圖1 測試樣本數據的特征值

在監控柔性直流換流站的1個月時間內,本文采集歷史監控數據,并通過歷史監控數據的匯總和分類,構建了柔性直流換流站監控數據集。為了保證換流站監控數據中異常數據預警的實時性,本文在試驗數據集中選取了57 328條監控數據作為試驗數據,并經過特征提取和分類,保存了51 346條監控數據。這51 346條數據的冗余度在0.003～0.103之間,信噪比在70.5～105 dB之間。本文從試驗數據集中選取15 648條樣本數據作為訓練樣本。其中,正常監控數據和異常監控數據各占比50%。本文從試驗數據集中選取1 000條樣本數據作為測試數據。

根據監控數據的特征,本文在試驗前劃分異常監控數據預警的訓練集和測試集,并得到測試樣本數據的特征,為柔性直流換流站異常監控數據預警提供數據支持。

2.2 異常數據檢測

本文在對異常監控數據預警之前,先利用1.2小節的方法,設定異常數據的預警閾值為0.4;利用1.1小節的方法,對測試樣本中的異常數據進行檢測。

異常數據檢測結果如圖2所示。

圖2 異常數據檢測結果

由圖2可知,本文方法在對異常監控數據預警之前,能夠檢測出異常監控數據,并及時作出預警,以保證柔性直流換流站的正常運行。

2.3 設置評價指標

為了驗證本文方法在異常監控數據預警中的性能,本文利用誤報率指標和平均絕對誤差指標衡量異常數據的預警性能。

(18)

式中:F為誤報率;Ntrue為異常數據的正常報警數量,個;Nall為異常數據的報警總數,個。

(19)

式中:M為平均絕對誤差;uij為報警結果的數量,個;vij為達到報警閾值的報警結果的數量,個。

2.4 性能分析

為了對本文預警方法進行對比分析,本文引入基于BIM-5D技術的預警方法和基于改進關聯規則的預警方法作對比,測試了監控數據中異常數據預警的誤報率和平均絕對誤差。

誤報率測試結果如圖3所示。

圖3 誤報率測試結果

由圖3可知,采用基于BIM-5D技術的預警方法和基于改進關聯規則的預警方法,當測試樣本達到100個時,異常數據預警的誤報率分別超過了30%和20%;隨著測試樣本數量的增加,異常數據預警的誤報率逐漸增大。而采用本文方法時,異常數據預警的誤報率始終控制在20%以內。因此,本文方法能夠避免異常數據預警出現誤報的情況。

平均絕對誤差測試結果如圖4所示。

圖4 平均絕對誤差測試結果

由圖4可知,與基于BIM-5D技術的預警方法和基于改進關聯規則的預警方法相比,本文方法在對異常監控數據進行預警時,平均絕對誤差可以控制在0.12以內。這說明本文方法能夠及時發現異常監控數據,并及時發出報警信號。

3 結論

為了有效保障柔性直流換流站的穩定運行,本文針對換流站異常監控數據,提出了一種實時預警方法。該方法在消除數據碰撞問題后,能準確檢測出其中的異常數據。本文根據監控過程中出現異常數據的概率,先設定預警閾值,再利用預警函數建立了實時預警模型。通過試驗發現,該方法在異常數據預警中,可以有效降低誤報率和平均絕對誤差。后續研究將考慮引入大數據分析方法,對柔性直流換流站異常數據的來源和時序特征展開分析,并根據分析結果及時對柔性直流換流站的異常情況作出調整。